活动亮点
真实案例开卷：围绕“从完全真机数据到规模化视频数据”的实际项目拆解
强互动讨论：5–10 人小圈子，充分对话，问题直达细节
共创产出：当场沉淀《数据路线图一页纸》与行动项清单
适合谁来
正在做/即将做：人形、四足、机械臂的数据采集、视频监督、VLA×RL 训练与评测
需要把“少量真机→大量视频”落到工程 SOP、成本与效果上
愿意带来一个小案例或具体问题共同拆解
形式与议程（约 2 小时）
1.破冰（10’）：自我介绍 & 目标对齐
2.案例速讲（30’）：2–3 个真实案例，每个 10 分钟（问题/数据/方法/结果/坑）
3.焦点讨论（40’）：围绕“对齐点、蒸馏路径、评测与安全、成本拆分”四个主题分组讨论
4.头脑风暴（30’）：共创《从真机到视频的数据路线图》
5.收尾（10’）：资源对接 & 后续协作
时间与地点
时间：10 月（晚间场，约 2 小时）
地点：深圳、北京、西安、上海各有一场。杭州这次IROS线下的一起办了，不单独办了。
规模：5–10 人（审核制，确保讨论密度与匹配度）
费用：免费
报名方式（扫二维码填写信息报名）
报名必填：
a.你的方向与角色（如：人形/四足/机械臂/数据平台/评测…）
b.是否愿意现场分享 10 分钟案例（是/否）
我们将根据案例匹配度与问题质量确认 5–10 位到场名额，并以微信群发送确认与入场信息。
现场产出
（活动后 48 小时内发放给到场者）
《从真机到视频的数据路线图》
参考资料包（数据格式样例、蒸馏/对齐流程草图、评测 checklist）
注意事项
支持拍照与录音用于内部复盘；若不希望出镜请签到时标注
建议自带：近期数据样例/流程图
Xbotics 微沙龙：小而深、可复用、可落地。期待与你把“视频”真正变成“动作”。
前期
阅读资料
机器人学习：从真实交互数据到大规模视频训练
真实机器人数据训练的瓶颈
在传统方法中，训练机器人学习新技能往往依赖真实机器人交互数据，例如通过人工远程遥控或动作捕捉采集演示。这种方式存在诸多瓶颈和限制。首先，收集物理机器人演示数据成本高昂且耗时。业内专家指出，“即便教授机器人一个新的简单行为，也需要人工投入大量精力：要么花费专家数小时手工编程，要么进行成千上万次示范”，对庞大的家庭环境问题而言这两者代价都过于高昂。Tesla Optimus 项目早期也是通过让人类操作员身穿动捕服远程操纵机器人来采集数据，但操作过程常遇到设备故障和调试问题，导致数据收集速度受限。有员工反映不得不“花数月重复执行同一个简单任务”来累积足够训练数据。显然，仅靠真机交互获取规模庞大的多样数据几乎不可行，这严重制约了机器人技能学习的广度和泛化能力。
其次，真实机器人演示往往在受控环境下进行，难以覆盖现实世界的复杂多变场景。人工编排的示范无法反映日常环境中可能出现的“凌乱”或意外情况。尤其对通用人形机器人，要胜任家庭、工厂等多样场景，需要涉猎远超人工示范所涵盖的状态空间。由于机器人尚未大规模部署，机器人自身交互数据的规模远无法与计算机视觉或自然语言处理领域的图像、文本数据相比。机器人领域面临“鸡和蛋”困境：没有部署就没有大规模数据，没有大数据又难以训练出可靠的通用模型。因此，当下以真实机器人数据为主的训练范式遇到了成本、效率和数据覆盖面的瓶颈。
利用大规模视频数据作为数据源
为突破上述瓶颈，研究者和工业界正探索利用互联网和模拟环境中的大规模视频数据来训练机器人。这包括三类主要来源：
1.互联网开放视频：互联网上丰富的教学演示和人类活动视频成为宝贵的数据金矿。最新研究提出系统性地利用网上“海量人类示范视频”来教机器人完成复杂操作。这一思路是：“给定任意一个人类演示视频，我们希望机器人也能完成其中展示的相同任务”。不同于以往要求视频环境与机器人执行环境一致的模仿学习方法，现代框架致力于从任意场景下的人类视频中获取可用于机器人的技能。例如，研究者开发了名为 Real2Sim→Sim2Real 的三段式流程：首先通过Real2Sim模块跟踪视频中物体的运动轨迹，并在模拟器中重现该运动（将人类示范转化为3D物体轨迹）。接着在模拟环境中让机器人通过强化学习学会产生相同物体运动的操控策略（Learn@Sim阶段）。最后将学到的策略部署回真实机器人，并通过训练残差策略来减小模拟与现实差异（Sim2Real阶段）。这种方法已经成功让机器人学会打结领带等高难度任务。值得注意的是，通过提取演示中的抽象物体运动轨迹，这种方法不再局限于“域内视频”（即机器人所在环境录制的演示），而能够从任何“域外”视频中学习。这表明只要互联网视频中蕴含足够的信息，机器人就有机会从中习得广泛技能。
2.仿真与合成数据：高逼真度的物理模拟和合成视频也是重要的数据源。仿真器允许在安全且廉价的环境中生成海量机器人交互数据，并通过改变参数来涵盖现实中的各种变异。例如 OpenAI 的研究表明，通过在训练中随机扰动模拟环境的动力学参数（摩擦、重力、材质等），可使策略适应各种不同动力学，从而在零真实训练的情况下直接泛化到真实世界。这种**Domain Randomization（域随机化）**技术有效弥合了“模拟与现实之间的鸿沟”。除了物理仿真，合成视觉数据也可用于训练机器人感知系统。例如通过生成虚拟场景视频、程序合成手部操作片段等，扩充训练集的多样性。此外，新兴的生成模型技术启发了“以视搜动”的思路：如果我们能生成某动作的视频，是否也能据此提示机器人完成同样动作？正如英伟达 CEO 黄仁勋所设想的：“如果我能生成一个人拿起咖啡杯的视频，那为什么不能让机器人按这个视频去执行？”。虽然生成的视频缺乏力反馈等隐含信息，但随着生成逼真度和物理一致性提高，未来这种由视频直接指导机器人的模式或将成为可能。
3.第一视角人类视频：来源于人类穿戴摄像设备记录的第一人称视角视频（egocentric video）对机器人学习尤为有价值。这类视频贴近机器人自身的传感视角，包含人类在日常环境中与物体交互的大量细节。这方面的著名数据集有 Facebook 牵头的 Ego4D等，涵盖全球多样场景下人们以头戴或胸佩相机记录的活动。通过自监督方法处理这些视频，可以学习到关于物体可操作性（affordances）的通用表示。例如有研究从大规模第一视角视频中训练视觉模型去预测“人在场景中何处、如何互动”，即找出人手接触点和后续轨迹，然后将这些行为可能性映射回没有人出现的场景中。这种视觉先验可以指导机器人何处抓取、如何移动而无需额外标注。更进一步，有工作尝试将视频中的人手替换为虚拟机器人手，以生成贴近机器人视角的训练数据。例如 H2R (Human-to-Robot) 方法通过检测人手关键点，在模拟中生成对应的机器人手臂运动，并将机器人手臂渲染合成到原始视频中，从而显式弥合人和机器人体态视觉差异arxiv.org。利用这种增强的视频预训练视觉编码器，用于下游机器人策略学习时，在模拟和真实操作任务上成功将成功率提高了5%–23%arxiv.org。总的来看，第一人称视频提供了与机器人自身观察一致的海量经验，使机器人能够“站在操作者的视角”学习感知和动作策略。
视频理解与模仿学习机制
自监督视频理解模型在从未标注的视频中学习有用表征，是将视频转化为机器人知识的关键一步。通过预测未来帧、重建被遮 occlusion 内容、时序对比等自监督信号，大模型可以从海量视频中学到关于物体、动作和因果关系的表征，这些表征可迁移到下游控制任务中。例如上述人类视频中的行为洞察（如哪里是抓取点、运动轨迹如何）就是一种自监督提取的高价值信息。这种“视觉-机器人桥梁 (Vision-Robotics Bridge)”思路在多种机器人学习范式中都证明有效，包括离线模仿学习、目标导向策略、强化学习中的行为参数化等。自监督视频模型还能辅助机器人理解复杂场景，比如预测交互后果、防止不安全动作等，为决策提供先验。
模仿学习依然是视频到行动的直接途径。传统模仿学习需要机器人执行序列与人类示范的动作序列一一对应，有赖于时空对齐和姿态映射。在只有视频而无机器人动作数据的情况下，可采用多种机制实现模仿：其一，通过视觉解析，将视频中人的关键动作转译为机器人可执行的指令或目标。例如前述 Real2Sim 方法中，通过解析视频获取物体运动轨迹，间接指引机器人复现这一轨迹。其二，借助中间表示，如将视频内容表述为文字说明或策略草图，再由机器人规划执行。例如 Tesla Optimus 计划中，就包含记录人类执行任务的视频，然后利用AI模型理解视频意图并生成机器人执行的步骤。再如一些研究使用预训练的视觉语言模型，看视频生成高层指令，再由机器人控制策略去完成。其三，直接视频驱动行为克隆，训练一个策略网络以视频帧序列作为输入，输出机器人动作序列，使之尽可能令机器人的视觉观察与演示视频保持一致。这需要解决视角转换和身体差异，可结合上文的H2R等视觉域适配技术来提高效果arxiv.orgarxiv.org。无论哪种机制，核心在于让机器人能够从观测到的人的行为中提炼出可执行的运动策略。随着深度学习的发展，机器人可以在高维观测和动作空间之间学习到端到端的映射关系，将视频模态直接转化为控制指令序列。这种端到端模仿在简单任务上已初步展示效果，但对复杂连贯任务往往需要与分层策略或规划相结合，以确保对视频场景的正确理解和合乎物理的执行。
值得一提的是，多模态融合模型为视频到动作策略提供了新的解题途径。Vision-Language 模型能够将视觉观察和语义知识联系起来，进而帮助机器人更好地理解视频内容的意图和背景。Figure AI 开发的 Helix 模型就采取“双系统”架构：一个慢速的“System2”子系统利用预训练的大型视觉语言模型理解场景和指令（7–9Hz），另一个快速“System1”子系统将前者输出的语义向量翻译为高频率（200Hz）的具体机器人连续控制。这种设计使模型既具备语义理解的泛化能力又兼顾实时控制需求。通过语言和视觉的结合，机器人不仅可以模仿视频中的动作，还能推理出未在视频明示的高层目标。例如谷歌的 RT-2 模型证明，将互联网规模的图像和文本知识融入机器人控制，仅用少量机器人物理交互数据微调，就能让机器人将视觉语言训练中学到的概念映射成行动，即使是从未直接训练过的新任务也可以完成blog.google。例如，以往要让机器人学会“扔垃圾”，必须单独教它识别垃圾、抓取并丢弃。而 RT-2 已经从海量网络数据中“理解”了垃圾的概念以及处理方式，哪怕没有专门教过也能识别垃圾并执行丢弃的动作blog.google。可见，多模态大模型为机器人提供了强大的知识 priors，使其能够通过“看懂”视频来推测应执行的动作序列，实现更高级的模仿与推理。
Sim2Real 转移学习的关键技术
将从视频或模拟中学到的策略成功应用于真实机器人，必须克服“模拟到现实”转移（Sim2Real）的挑战。核心问题在于模拟环境和现实环境存在各种差异（感知上的相机成像差异、物理上的动力学差异等），直接在模拟中有效的策略，未必能在真实硬件上稳定运行。因此，近年来发展出多种Sim2Real关键技术：
• 域随机化（Domain Randomization）：如前所述，通过在模拟训练中随机多变环境参数，让策略在各种情况下都能成功，从而提高其鲁棒性。OpenAI 的研究表明，经过足够随机扰动训练的策略无需任何真实训练就可以泛化到真实机器人上，表现几乎不减。这种方法等于提前让模型见过“不同世界”的样子，使现实世界被包含在它的适应范围内。
• 残差学习与微调：即使经过域随机化，某些精细差异仍可能存在，因此经常在将策略部署真实机器人时，引入残差校正机制。例如前述领带打结研究在真实机器人上增加了一个学习残差策略，专门弥补模拟与真实执行差距。类似地，可以收集少量真实环境数据进行微调，使策略针对真实环境进行最后校准。虽然这需要一些真机数据，但远比从零开始用真机学高效。
• 高保真模拟与感知逼真：提升模拟器的物理精度和视觉逼真度，也是缩小Sim2Real差距的思路之一。现代模拟工具（如NVIDIA Isaac、Unity等）能够提供接近真实的传感器模拟和物理碰撞效果，使模型在模拟中所见所感与现实非常接近。这减少了策略迁移后“认不出”真实世界的可能。此外，通过将相机畸变、噪声、光照变化等在模拟中重现，训练出的视觉模型对真实感知偏差会更不敏感。
• 对齐嵌入空间：对于学习表示的方法，可以在模拟和现实两域中引入对抗训练或对比学习，使模型的中间表示对域变化不敏感。例如训练一个判别器无法区分模拟图像和真实相机图像的特征，或者通过在模拟帧和真实相机帧上做对比损失让模型聚合它们的表示。这样模型“看”到的模拟和真实输入在表征空间里是对齐的，从而策略可以无缝迁移。
• 策略网络架构适应：有些方法在策略网络中显式设计能够处理域差异的结构，例如将策略分解为与环境无关的高层决策和与环境相关的低层控制，通过调节低层控制适应现实。还有通过元学习训练一个模型，可以根据少量真实交互快速更新自身以适应新域。
总的来说，Sim2Real需要在数据（多样模拟数据 + 少量真实数据）和模型（鲁棒性和适应性）两方面下功夫。正如一位专家所说，如果主要依赖视频学习，那么机器人不仅要“看懂视频里发生了什么”，还得有相应的技能去实际完成——有些能力可以通过观看学会，另一些仍需要在模拟或现实中亲自练习。因此，模拟练习和真实微调往往是视频训练方案中的必要环节。未来随着模拟真实性和学习算法的进步，Sim2Real的鸿沟将进一步缩小，最终实现从大规模视频到真实世界机器人行为的顺畅跃迁。
案例分析：Tesla Optimus 的视觉训练策略
Tesla 的 Optimus 人形机器人项目是从真实数据转向视频驱动训练的典型代表。早期，Optimus 团队采用了行业常见的方法：由人类操作员穿戴动作捕捉服和VR头显，实时遥控机器人完成任务，从而收集人机交互数据。这种方式虽然直接，但效率不高——工作人员需要反复调试设备和机器人，每次只能获得单一任务的有限示范，数据扩展十分缓慢。特斯拉曾招聘“大量数据采集操作员”来执行诸如折叠衣物、拾取物品等基础任务，希望通过人海战术积累数据。然而，即便如此，进展依旧缓慢，正如一位员工透露的那样，单个人员可能要花数月重复同一个简单动作来提供足够训练样本。Elon Musk 也意识到这种方式无法满足需求，他在2023年底坦言：“Optimus 机器人的训练数据需求最终可能至少是汽车的10倍”。要知道，特斯拉自动驾驶为了训练其AI已经收集了数十亿公里车载视频数据，可想而知Optimus要达到类人智能所需的数据规模之大。
战略转折发生在2023年中。特斯拉决定抛弃繁琐的动捕和遥控方案，改用**“纯视觉”路线。据报道，公司高层在6月底通知团队，将“主要依靠录制员工执行任务的视频”来教机器人，而不再优先考虑动捕服和遥操作。这一转变背后的理念正是 Musk 长期倡导的“用摄像头训练AI”的思路，即相信只需摄像机视觉就能让AI掌握复杂技能。这和特斯拉自动驾驶舍弃激光雷达、纯靠摄像头的视频数据训练视觉网络的做法如出一辙。转向视频后，团队可以大规模、快速地收集数据**：不再受制于机器人的执行速度和维护间隔，只需让员工戴上摄像装置重复日常操作即可。同时可以并行采集，多位工作人员同步录制不同任务的视频，从而加速数据积累。特斯拉为此开发了一套头戴式多摄像机系统：工人头顶安全帽上安装5个摄像头，背着沉重的摄像机背包，通过不同角度同步记录其操作。多机位让模型能捕获细致的动作细节，如关节和手指的位置轨迹等。这些第一视角的视频不仅提供了丰富的视觉学习素材，也可与先前有限的动捕数据结合，起到数据增强的作用。
这一“视觉优先”的策略很快初见成效。2023年5月，特斯拉发布了一段演示视频，展示 Optimus 在未人工遥控的情况下自主执行了一系列日常任务，比如拿起物品、整理房间等。更引人注目的是，Optimus 项目硬件负责人 Konstantinos Laskaris 在领英发文感叹：“难以置信，我们的机器人现在直接从人类视频中学习新任务！”。Musk 也在同月公开表示，未来 Optimus 将能够通过观看 YouTube 视频来习得各种技能。这意味特斯拉计划利用互联网公开的视频作为训练数据源，让机器人通过“看片”来学习。这与前文提到的研究趋势不谋而合。
当然，视觉训练也带来了新的挑战：如何让机器人将视频里看到的操作转化为自身的动作控制。对此特斯拉也在探索。例如，他们可能需要发展视频解析AI，将画面中的人类动作解读成对机器人有意义的目标和轨迹。前述专家指出：“仅靠视频数据，机器人缺乏直接的物理交互反馈，要学会把视频翻译成真实世界的动作并不容易”。因此，特斯拉也需要研究让Optimus在模拟器或真实环境中进行一定量自主试验，以掌握力反馈等仅观看无法获得的技能。不管怎样，特斯拉的大胆转型充分说明了大规模视觉数据在下一代机器人训练中的核心地位。正如一位学者评价的那样：“这是一个非常特斯拉式的机器人路线——没有其他公司在如此大的规模上尝试这种做法”。Optimus 要实现 Musk 所描绘的目标（如在工厂、养老院中顶替人工），确实需要远超以往的数据和智能规模。而利用视频这一廉价丰富的数据源，正是其希望实现弯道超车、快速扩展能力的关键策略。
案例分析：Figure AI Helix 的视频预训练
新兴创业公司 Figure AI 的人形机器人计划则更进一步，从一开始就将大规模人类视频作为智能核心。Figure 的第三代人形机器人（Figure 03）搭载了名为 Helix 的通用智能模型。Helix 被定位为视觉-语言-动作（Vision-Language-Action, VLA）模型，用于通用的人形机器人控制。Figure 团队认识到，要让机器人适应千家万户的日常环境，必须突破传统机器人学习的扩展瓶颈。为此，他们提出**“Project Go-Big”计划，旨在构建规模空前的人形机器人预训练数据集。与其说是“机器人”数据集，不如说是一个“人类行为视频”数据集——Figure 利用人形机器人与人类形态相似的独特优势，直接把日常人类视频当作机器人学习素材。人形机器人的视角和运动结构与人类相仿，使得从人类视频中直接迁移知识**成为可能。正如官方所述，长期以来机器视觉有ImageNet、语言有Wikipedia这类大规模数据，但机器人领域缺乏类似规模的资源，而“没有针对机器人行为的YouTube”。Figure 希望填补这一空白。
具体而言，Figure 与全球大型房地产公司 Brookfield 建立了合作伙伴关系，后者拥有超过10万个住宅单元和大量商业、物流空间。这意味着 Figure 可以在各种真实家庭、公寓、办公室中被动收集人类行为的第一视角视频。这些场所涵盖从厨房客厅到仓储物流的丰富场景，将产生“前所未有规模和多样性”的数据。目前 Figure 已经开始在 Brookfield 的真实环境中进行数据采集，并将持续扩大规模。可以想见，假以时日他们将建立起相当于“机器人领域的YouTube”，令其人形机器人汲取数不清的人类经验。
在算法上，Figure 近期宣布了一个重大里程碑：零样本人类视频到机器人行为的直接迁移。Helix 模型经过完全使用人类第一视角视频的训练后，实现了一个业内首次的成果：在没有任何机器人示范的前提下，机器人可以仅凭人类视频学会在真实环境中导航。他们发现，Helix 学到了人类在拥挤家庭空间中寻找路径、绕开障碍的策略，并能够将这些导航策略直接用于控制机器人自身的移动。例如，在演示中，Helix 接收到“走到冰箱前”这样的自然语言指令后，Figure 03 机器人可以自主穿过杂乱房间，避开家具和杂物，到达冰箱附近。这一切的训练数据100%来自人类头戴相机的视频，没有用过任何真人对机器人遥操作或机器人自己探索的数据。换言之，Helix 做到了跨主体零样本学习：直接从“人如何做”推理出“机器人该如何做”，且效果在真实世界中得到验证。这在机器人史上是前所未有的成果。
更引人关注的是，Helix 作为一个统一模型同时输出机器人操作和导航两方面的控制。Figure 报告称，经过视频预训练，单个 Helix 网络已能在端到端输出双臂操作动作（如抓取、折叠衣物）以及全身移动控制（导航、避障）。过去通常需要分开训练的操作策略和导航算法，在 Helix 架构中通过视觉和语言信息的融合得以统一。这体现了大模型泛化的强大能力：不同任务、不同行为模式可以共享一套网络权重，在高层语义引导下分别发挥作用。
Figure Helix 的技术路线很好地诠释了如何利用视频数据提高训练效率和泛化。通过大规模第一视角视频的预训练，Helix 获取了对家居环境和日常任务的“常识”理解，再结合少量机器人特定数据（如他们也采集了一定规模的多机器人远程操控示范用于初始训练），最终实现了比传统方法高得多的技能获取效率。他们的报告中特别提到，相比传统需要大量逐项示范的方法，Helix 让机器人可以“即插即用”地从语言获得新技能，而无需每个技能都收集数据。例如，把以前需要“上千次演示”的技能，现在只要给机器人一句话指令就能触发模型内部相关知识从而执行。这无疑是视频+多模态预训练所带来的范式转变。
未来趋势展望
展望未来，机器人从真实交互数据走向大规模视频训练将是不可逆转的趋势，并催生一系列重要发展：
1.数据规模空前增长：正如 Musk 所预期的，通用机器人的训练需要的数据量将是过去的数量级的提升。这驱动着业界构建类似 Figure “Go-Big”那样的海量数据池。可能未来每家机器人企业都需要掌握类似“数十万小时的视频”级别的数据资产才能训练有竞争力的通用模型。数据来源将越来越多元，包括社交媒体视频、跨行业的监控录像、以及部署后机器人自己采集的数据。随着更多机器人进入日常生活，一个“数据飞轮”效应会出现：已部署机器人不断收集新视频并用于训练，从而提升模型性能，再部署到更多机器人。这种良性循环类似于特斯拉汽车的“车队学习”，将大幅加速机器人智能的提升。
2.模型通用性与大模型融合：多模态大模型在机器人中的应用会更加深入。未来的机器人“大脑”或许就是一个融合视觉、语言、音频、甚至触觉信息的巨型模型，具有强大的泛化和推理能力。它将像 GPT-4 之于语言一样，成为机器人领域的基础模型，然后通过少量特定环境微调来适应具体任务。谷歌 DeepMind 的 RT-2 已经展示了这类 Vision-Language-Action 基础模型的雏形：利用海量网络数据形成的概念知识，让机器人在新情境下举一反三完成任务blog.googleblog.google。Figure 的 Helix 则证明了将预训练的视觉语言模型嵌入高速控制回路的可行性。未来我们可以期待更多此类机器人基础模型涌现，并支持跨机器人平台共享。这将极大减少每个团队从头收集数据训练的成本，转而利用开源的大模型作为起点，再通过视频数据进行精调从而赋予机器人通用技能。
3.视频与多模态数据融合：虽然本次讨论聚焦于视频，但长远看，机器人学习将融合多模态数据源共同训练。例如，将视频与对应的文本解说或操作脚本结合，可提高模型对视频中人类意图的理解；引入音频信息（环境声音、语音指令）可以让机器人感知更丰富的环境线索；结合少量传感器数据（力触觉等）能弥补视频中缺失的物理接触信息。多模态传感的融合训练将使机器人具备更全面的感知和上下文理解能力。例如，在未来的家用机器人学习中，一段厨房做饭的视频，模型不仅看画面，还“听”厨具声、“读”可能附带的菜谱说明，然后综合学习如何执行。同样，多模态交互也包括人类反馈的融入，通过人类对机器人模拟行为的评估（偏好学习）来优化策略，这类似近来在大模型训练中有人类反馈强化学习(RLHF)的做法。多模态集成将使机器人智能更加接近人类对世界的认知方式。
4.更高的仿真逼真度与生成数据：未来模拟环境将变得难以分辨真假，物理引擎和渲染技术的发展或将实现照片级真实感和高保真物理。届时，生成一个虚拟世界供机器人训练，几乎等同于让它在真实世界探索。而借助生成对抗网络(GAN)或扩散模型，能够合成特定任务的海量多样视频数据，极大丰富训练样本。例如，为训练清洁机器人，可以生成各种房间脏乱状态及清扫演示的视频；为训练厂内搬运机器人，可以生成不同布局和障碍的仓库环境视频。生成数据不仅量大，还能根据需要针对性地产生Corner case场景，弥补真实数据中鲜有覆盖的情况。这些技术的发展将进一步缓解数据匮乏，并与真实数据形成互补。
5.从模仿到自主：虽然模仿人类是迈向通用机器人的重要一步，但最终机器人智能应能超越纯粹模仿，具备一定程度的自主学习与推理能力。随着视频预训练提供了强大的世界模型，机器人将更善于在遇到未见过的新任务时自行探索解决方案，而不只能“照猫画虎”。未来的机器人或许可以在模拟中尝试新策略、在现实中试错改进，并将经验回馈模型，实现持续学习。视频数据在这个过程中仍扮演重要角色：机器人可以将自己执行任务的视频也用于训练（自我示范）、或者观看其他机器人（甚至其他物种）的视频获取灵感。不夸张地说，未来机器人能从任何视觉信息中学习，不局限于人类演示，这将开启真正类人甚至跨生物范式的学习新纪元。
综上所述，机器人学习正经历从依赖少量人工示范向利用海量视频和多模态数据的范式转变。Tesla Optimus 和 Figure Helix 等项目的探索表明，大规模视频训练能够极大提升机器人的学习效率和泛化水平，让机器人逐步掌握现实世界复杂、多变的技能。当然，这一转变也伴随挑战，诸如视频理解的准确性、模拟与现实差异的弥合、人类知识的融入等都需要持续攻关。但可以预见，随着数据不断累积和模型日益增强，我们正快速接近这样一个时代：机器人通过“观看和思考”就能学会人类的大部分技能，并以超人的速度共享知识、共同进化。那时，通用人形机器人将真正走出科幻，成为日常生活和生产中的可靠助手。每一帧视频都可能为机器人开启一扇学习的新窗，而我们也将在这一过程中见证人工智能与机器人技术融合带来的变革。未来已在加速到来。
